فهرست نشریات علمی دسترسی آزاد ایران

با پیشرفت‌های اخیر در پردازش سیگنال‌‌های مغزی، طبقه‌بندی اختلالات روان‌شناختی اهمیت فزاینده‌ای یافته است. در حالی که مطالعات پیشین عمدتاً به طبقه‌بندی یک یا دو اختلال محدود بودند، این مطالعه به طبقه‌بندی پنج وضعیت متمایز شامل یک گروه کنترل سالم و چهار نوع اختلال روان‌شناختی (افسردگی، اسکیزوفرنی، اختلال شناختی خفیف و آلزایمر) با استفاده از تحلیل سیگنال‌های الکتروآنسفالوگرام می‌پردازد. این پژوهش، ترکیب‌های مختلف اتصالات عملکردی شامل ضریب همبستگی پیرسون، مقدار قفل‌ شدگی فاز و اطلاعات متقابل جهت تولید ماتریس‌های اتصال‌پذیری بدون داده‌های حشو را ارائه می‌دهد. ویژگی‌های استخراج‌شده از این ماتریس‌ها با بهره‌گیری از ساختارهای گراف محلی و با آنتروپی شانون و آنتروپی لگاریتم انرژی و تجریه مقدار منفرد حاصل شده و به‌منظور طبقه‌بندی نهایی، از الگوریتم‌های یادگیری ماشین شامل K-نزدیک‌ترین همسایه و بیز ساده استفاده شده است. همچنین، قابلیت باندهای مختلف فرکانسی الکتروآنسفالوگرام در طبقه بندی حالات روانشناختی مورد بررسی قرار گرفت. این پژوهش در تشخیص اختلال شناختی خفیف با ترکیب اتصالات عملکردی ضریب همبستگی پیرسون و اطلاعات متقابل در باند فرکانسی بتا با استفاده از ویژگی بزرگترین مقدار منفرد در طبقه‌بند K-نزدیک‌ترین همسایه به صحت 29/90% دست یافت. همچنین با ترکیب مقدار قفل شدگی فاز و اطلاعات متقابل در باند فرکانسی گاما با استفاده از ویژگی بزرگترین مقدار منفرد و الگوریتم بیز ساده به صحت 53/89% رسید. علاوه بر این، با ترکیب 3 ویژگی (آنتروپی شانون، آنتروپی لگاریتم انرژی، تجزیه مقدار منفرد) در ترکیب ضریب همبستگی پیرسون و مقدار قفل شدگی فاز در باند فرکانسی بتا با استفاده از الگوریتم K-نزدیک‌ترین همسایه صحت 63/90% را نشان داد. در تشخیص افسردگی نیز با ترکیب ضریب همبستگی پیرسون و مقدار قفل شدگی فاز در باند فرکانسی گاما با استفاده از الگوریتم بیز ساده صحت 52/88% را نشان داد.